hadoop - 获取Apache Pig中每N个元组的平均值

假设我有一个包含两列的表 CUSTTYPE 和 AMOUNT 。我想添加第三列 NTILE ，然后可以对其进行分组并用于获取平均值，如下所示:

CUSTTYPE | AMOUNT  | NTILE
----------+---------+----------
 RETAIL   |   78.00 |   1
 RETAIL   |  234.00 |   1
 RETAIL   |  249.00 |   1
 RETAIL   |  278.00 |   2
 RETAIL   |  392.00 |   2
 RETAIL   |  498.00 |   2
 RETAIL   |  500.00 |   3
 RETAIL   |  738.00 |   3
 RETAIL   | 1250.00 |   3
 RETAIL   | 2029.00 |   4
 RETAIL   | 2393.00 |   4
 RETAIL   | 3933.00 |   4

本质上，我正在尝试取每n项的平均值(此处n = 3):

CUSTTYPE | AMOUNT  | NTILE
----------+---------+----------
 RETAIL   | 187.00 |   1
 RETAIL   | 389.33 |   2
 RETAIL   | 829.33 |   3
 RETAIL   | 2785.0 |   4

从Pig参考here来看，似乎可以使用Over()来实现，但是我找不到如何做到这一点的示例。有什么想法吗？

最佳答案

您可以使用RANK运算符对数据的每条记录进行排名:

http://pig.apache.org/docs/r0.14.0/basic.html#rank

像这样:

A = LOAD 'path' AS (schema);
B = RANK A;

然后将每个等级除以3:

C = FOREACH B generate ($0 + 1) / 3 as NTILE, CUSTTYPE, AMOUNT;